利用皮肤电活动和领域自适应技术提升跨数据集的心理工作负荷检测能力 Luis Sigcha, Eduarda Pereira, Luigi Borzì, Diego Gachet, Paulo Cardoso, Nélson Costa

《Applied Sciences》：Enhancing Cross-Dataset Mental Workload Detection Using Electrodermal Activity and Domain Adaptation Luis Sigcha, Eduarda Pereira, Luigi Borzì, Diego Gachet, Paulo Cardoso and Nélson Costa

　　

摘要

利用生理信号进行心理负荷评估在人机交互和职业监测领域的应用受到了越来越多的关注。在这些信号中，皮肤电活动（EDA）被广泛认为是与认知努力相关的交感神经激活的可靠指标。然而，大多数现有的基于机器学习的方法都是在单一数据集上进行评估的，这限制了它们在不同人群和实验条件下的泛化能力。本研究调查了使用EDA特征进行心理负荷检测的机器学习模型在跨数据集上的性能。研究使用了两个独立的数据集，并采用了一种跨数据集评估框架来模拟现实环境下的应用场景变化。评估了三种分类器（随机森林、XGBoost和支持向量分类器（SVC）），以及两种领域适应技术：相关性对齐（CORAL）和子空间对齐（SA）。结果表明，模型性能在很大程度上取决于迁移的方向，当跨数据集进行泛化时性能会显著下降。领域适应技术在某些配置下提高了性能，特别是使用CORAL与SVC的组合，获得了最佳的整体F1分数（0.815）。然而，并非所有模型和目标领域都能获得一致的性能提升。总体而言，本研究强调了基于EDA的工作负荷检测中跨数据集泛化的挑战，并展示了领域适应技术在缓解数据分布变化方面的潜力，尽管其鲁棒性仍有限。